第一部分 風(fēng)險管理基礎(chǔ)
第一章 風(fēng)險管理:宏觀面視角
1.1 風(fēng)險管理的基本概念
1.3 風(fēng)險的類別
1.4 衡量和管理風(fēng)險
第二章 企業(yè)風(fēng)險管理初探
2.1 對沖風(fēng)險敞口的利弊
2.2 風(fēng)險對沖的流程
第三章 公司治理與風(fēng)險管理
3.1 公司治理與風(fēng)險管理的最佳方案
3.2 風(fēng)險管理機制
第四章 什么是企業(yè)風(fēng)險管理ERM?
4.1 企業(yè)風(fēng)險管理(Enterprise Risk Management, ERM)
4.2 企業(yè)風(fēng)險管理的優(yōu)缺點
4.3 ERM的各組成部分
第五章 銀行的風(fēng)險管理、治理、文化以及風(fēng)險承擔(dān)
5.1 銀行的最優(yōu)風(fēng)險水平
5.2 銀行的風(fēng)險管理
5.3 銀行的風(fēng)險治理、激勵機制與風(fēng)險文化
第六章 風(fēng)險數(shù)據(jù)整合與風(fēng)險報告的原則
6.1 風(fēng)險數(shù)據(jù)整合(Risk Data Aggregation)
6.2 風(fēng)險報告(Risk Reporting)
第七章 資本資產(chǎn)定價模型
7.1 現(xiàn)代投資組合理論(Modern Portfolio Theory)
7.2 資本資產(chǎn)定價模型(CAPM)
第八章 應(yīng)用CAPM模型進行績效測量
8.1 業(yè)績度量(Performance Measurement)
第九章 套利定價理論與多因素模型
9.1 因素模型
12.2 套利定價理論
第十章 金融災(zāi)難案例分析
10.1 由誤導(dǎo)性報告引發(fā)的金融災(zāi)難(Financial Disasters)案例
10.2 由市場波動引發(fā)的金融災(zāi)難案例
10.3 由客戶經(jīng)營行為引發(fā)的金融災(zāi)難案例
第十一章 解密2007~2008年的流動性和信貸緊縮
11.1 金融危機的背景
11.2 金融危機的過程
11.3 導(dǎo)致危機被放大的機制
第十二章 金融危機文獻總結(jié)
12.1 金融危機的形成
12.2 金融危機中的恐慌
12.3 政府的應(yīng)對政策
12.4 金融危機造成的實際影響
第十三章 風(fēng)險管理失敗—是什么?何時會發(fā)生?
13.1 何謂風(fēng)險管理失敗
13.2 風(fēng)險管理失敗的類型
第十四章 GARP行為準(zhǔn)則
14.1 概述
14.2 基本原則
第二部分 數(shù)量分析
第一章 概率論
1.1 隨機事件與概率
1.2 離散與連續(xù)隨機變量及其概率分布
第二章 貝葉斯分析
2.1 貝葉斯學(xué)派與頻率學(xué)派
2.2 貝葉斯公式
第三章 基本統(tǒng)計量
3.1 中心趨勢
3.2 離散程度
3.3 偏度與峰度(Skewness and Kurtosis)
第四章 概率分布
4.1 參數(shù)分布(Parametric Distribution)
4.2 離散分布
4.3 連續(xù)分布
4.4 抽樣分布
4.5 混合分布
第五章 假設(shè)檢驗與置信區(qū)間
5.1 樣本均值與樣本方差
5.2 中心極限定理(Central Limit Theorem)
5.3 區(qū)間估計(Confidence Interval Estimate)
5.4 假設(shè)檢驗(Hypothesis Test)
5.5 均值與方差的假設(shè)檢驗
5.6 回測(Backtesting)
第六章 一元線性回歸
6.1 線性回歸的基本思想
6.2 最小二乘法
第七章 一元線性回歸的假設(shè)檢驗與區(qū)間估計
7.1 回歸系數(shù)的檢驗與置信區(qū)間
7.2 二值變量(Binary Variable)
7.3 異方差(Heteroskedasticity)與同方差(Homoskedasticity)
7.4 高斯-馬爾科夫定理(Gauss-Markov Theorem)
第八章 多元線性回歸
8.1 遺漏變量偏誤(Omitted Variable Bias)
8.2 多元線性回歸模型
8.3 多元線性回歸的擬合優(yōu)度
8.4 多重共線性(Multicollinearity)
第九章 多元線性回歸的假設(shè)檢驗與區(qū)間估計
9.1 聯(lián)合假設(shè)檢驗(Tests of Joint Hypotheses)
9.2 單約束條件下的多系數(shù)假設(shè)檢驗
9.3 理解R2與調(diào)整R2在實操中的含義
第十章 建模與預(yù)測趨勢
10.1 趨勢建模(Modeling Trend)
10.2 趨勢建模的估計
10.3 預(yù)測建模的選擇
第十一章 建模與預(yù)測季節(jié)性因素
11.1 季節(jié)性因素的來源(Sources of Seasonality)
11.2 季節(jié)性因素的建模
11.3 季節(jié)性因素的預(yù)測
第十二章 時間序列的周期性特征
12.1 協(xié)方差平穩(wěn)的時間序列(Covariance Stationary Time Series)
12.2 白噪聲(White Noise)
12.3 Wold定理
12.4 自相關(guān)函數(shù)與偏自相關(guān)函數(shù)的估計與推斷
第十三章 對周期性建模:MA、AR與ARMA模型
13.1 移動平均模型(Moving Average Models, MA)
13.2 自回歸模型(Autoregressive Models, AR)
13.3 自回歸移動平均模型(Autoregressive Moving Average Models , ARMA)
第十四章 波動率
14.1 波動率的定義(Definition of Volatility)
14.2 冪律(The Power Law)
14.3 ARCH模型
14.4 EWMA模型
14.5 GARCH模型
第十五章 相關(guān)性與連接函數(shù)
15.1 相關(guān)系數(shù)
15.2 因子模型(Factor Model)
15.3 Copula函數(shù)
第十六章 模擬
16.1 蒙特卡羅模擬
16.2 方差減少技術(shù)(Variance Reduction Techniques)
16.3 倒脫靴方法(Bootstrapping)
16.4 隨機數(shù)生成過程
16.5 模擬的缺點
第一部分 風(fēng)險管理基礎(chǔ)
第一章 風(fēng)險管理:宏觀面視角
1.1 風(fēng)險管理的基本概念
1.3 風(fēng)險的類別
1.4 衡量和管理風(fēng)險
第二章 企業(yè)風(fēng)險管理初探
2.1 對沖風(fēng)險敞口的利弊
2.2 風(fēng)險對沖的流程
第三章 公司治理與風(fēng)險管理
3.1 公司治理與風(fēng)險管理的最佳方案
3.2 風(fēng)險管理機制
第四章 什么是企業(yè)風(fēng)險管理ERM?
4.1 企業(yè)風(fēng)險管理(Enterprise Risk Management, ERM)
4.2 企業(yè)風(fēng)險管理的優(yōu)缺點
4.3 ERM的各組成部分
第五章 銀行的風(fēng)險管理、治理、文化以及風(fēng)險承擔(dān)
5.1 銀行的最優(yōu)風(fēng)險水平
5.2 銀行的風(fēng)險管理
5.3 銀行的風(fēng)險治理、激勵機制與風(fēng)險文化
第六章 風(fēng)險數(shù)據(jù)整合與風(fēng)險報告的原則
6.1 風(fēng)險數(shù)據(jù)整合(Risk Data Aggregation)
6.2 風(fēng)險報告(Risk Reporting)
第七章 資本資產(chǎn)定價模型
7.1 現(xiàn)代投資組合理論(Modern Portfolio Theory)
7.2 資本資產(chǎn)定價模型(CAPM)
第八章 應(yīng)用CAPM模型進行績效測量
8.1 業(yè)績度量(Performance Measurement)
第九章 套利定價理論與多因素模型
9.1 因素模型
12.2 套利定價理論
第十章 金融災(zāi)難案例分析
10.1 由誤導(dǎo)性報告引發(fā)的金融災(zāi)難(Financial Disasters)案例
10.2 由市場波動引發(fā)的金融災(zāi)難案例
10.3 由客戶經(jīng)營行為引發(fā)的金融災(zāi)難案例
第十一章 解密2007~2008年的流動性和信貸緊縮
11.1 金融危機的背景
11.2 金融危機的過程
11.3 導(dǎo)致危機被放大的機制
第十二章 金融危機文獻總結(jié)
12.1 金融危機的形成
12.2 金融危機中的恐慌
12.3 政府的應(yīng)對政策
12.4 金融危機造成的實際影響
第十三章 風(fēng)險管理失敗—是什么?何時會發(fā)生?
13.1 何謂風(fēng)險管理失敗
13.2 風(fēng)險管理失敗的類型
第十四章 GARP行為準(zhǔn)則
14.1 概述
14.2 基本原則
第二部分 數(shù)量分析
第一章 概率論
1.1 隨機事件與概率
1.2 離散與連續(xù)隨機變量及其概率分布
第二章 貝葉斯分析
2.1 貝葉斯學(xué)派與頻率學(xué)派
2.2 貝葉斯公式
第三章 基本統(tǒng)計量
3.1 中心趨勢
3.2 離散程度
3.3 偏度與峰度(Skewness and Kurtosis)
第四章 概率分布
4.1 參數(shù)分布(Parametric Distribution)
4.2 離散分布
4.3 連續(xù)分布
4.4 抽樣分布
4.5 混合分布
第五章 假設(shè)檢驗與置信區(qū)間
5.1 樣本均值與樣本方差
5.2 中心極限定理(Central Limit Theorem)
5.3 區(qū)間估計(Confidence Interval Estimate)
5.4 假設(shè)檢驗(Hypothesis Test)
5.5 均值與方差的假設(shè)檢驗
5.6 回測(Backtesting)
第六章 一元線性回歸
6.1 線性回歸的基本思想
6.2 最小二乘法
第七章 一元線性回歸的假設(shè)檢驗與區(qū)間估計
7.1 回歸系數(shù)的檢驗與置信區(qū)間
7.2 二值變量(Binary Variable)
7.3 異方差(Heteroskedasticity)與同方差(Homoskedasticity)
7.4 高斯-馬爾科夫定理(Gauss-Markov Theorem)
第八章 多元線性回歸
8.1 遺漏變量偏誤(Omitted Variable Bias)
8.2 多元線性回歸模型
8.3 多元線性回歸的擬合優(yōu)度
8.4 多重共線性(Multicollinearity)
第九章 多元線性回歸的假設(shè)檢驗與區(qū)間估計
9.1 聯(lián)合假設(shè)檢驗(Tests of Joint Hypotheses)
9.2 單約束條件下的多系數(shù)假設(shè)檢驗
9.3 理解R2與調(diào)整R2在實操中的含義
第十章 建模與預(yù)測趨勢
10.1 趨勢建模(Modeling Trend)
10.2 趨勢建模的估計
10.3 預(yù)測建模的選擇
第十一章 建模與預(yù)測季節(jié)性因素
11.1 季節(jié)性因素的來源(Sources of Seasonality)
11.2 季節(jié)性因素的建模
11.3 季節(jié)性因素的預(yù)測
第十二章 時間序列的周期性特征
12.1 協(xié)方差平穩(wěn)的時間序列(Covariance Stationary Time Series)
12.2 白噪聲(White Noise)
12.3 Wold定理
12.4 自相關(guān)函數(shù)與偏自相關(guān)函數(shù)的估計與推斷
第十三章 對周期性建模:MA、AR與ARMA模型
13.1 移動平均模型(Moving Average Models, MA)
13.2 自回歸模型(Autoregressive Models, AR)
13.3 自回歸移動平均模型(Autoregressive Moving Average Models , ARMA)
第十四章 波動率
14.1 波動率的定義(Definition of Volatility)
14.2 冪律(The Power Law)
14.3 ARCH模型
14.4 EWMA模型
14.5 GARCH模型
第十五章 相關(guān)性與連接函數(shù)
15.1 相關(guān)系數(shù)
15.2 因子模型(Factor Model)
15.3 Copula函數(shù)
第十六章 模擬
16.1 蒙特卡羅模擬
16.2 方差減少技術(shù)(Variance Reduction Techniques)
16.3 倒脫靴方法(Bootstrapping)
16.4 隨機數(shù)生成過程
16.5 模擬的缺點